GenEval (画像生成の指示整合ベンチ)
読み: じぇねばる
最終更新: 2026-07-30・AI PICKS編集部
定義
GenEvalとは、画像生成AIがプロンプトの指示（オブジェクト数・色・位置関係など）をどれだけ正確に画像へ反映できるかを測る評価ベンチマークのこと。
GenEval (画像生成の指示整合ベンチ)とは — 詳しく解説
GenEvalは2023年に発表された、テキスト生成画像AIの指示追従性を測るベンチマークで、単一・複数オブジェクトの共存や個数・色・位置関係・属性の組み合わせを、生成画像を物体検出モデルで自動判定してスコア化する手法が広く採用されている。人間の主観評価に頼らず再現性高く比較できる点が、Stable DiffusionやImagen系モデルの改善報告で頻繁に引用される理由とされる。実運用での落とし穴は、スコアが高くても実際のプロンプトでは破綻するケースがある点。評価文は定型的な短文が中心で、現場で使う長文・複雑な条件指定のプロンプトとは傾向が異なるため、上位モデルがそのまま自社用途で最適とは限らない。また評価には生成・物体検出・採点のパイプライン実行コストがかかり、大量プロンプトでの検証には相応の時間を要する。2026年時点では、GenEvalのスコアは指示整合性の目安として他の評価軸と併用し、自社の用途に近いプロンプトで追試してから選定するのが現場での定石とされる。相場感としても、単一ベンチマークだけでツール選定を決め切らず、複数指標を横断で見る運用が広がっている。
GenEval (画像生成の指示整合ベンチ)の使用例
- 評価用プロンプト例: 「赤いりんごが2個と、青いボウルが1つある机の写真」— 個数・色・位置を同時に満たせるかを採点する。
- スコアが下がる典型パターン: 指定した色が別の物体に付く、指定個数より多い/少ない物体が生成される、などの取り違え。
GenEval (画像生成の指示整合ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・1213語以上を体系的に整理しています
辞典トップへ